导读:本文包含了运动物体检测论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:物体,在线,孤子,模型,特征,数据处理,双目。
运动物体检测论文文献综述
刘希琛[1]（2019）在《基于光折变材料对物体运动状态检测的研究》一文中研究指出近年来,随着微电子机械技术、精细加工工艺和大规模集成技术的发展和应用,物体运动参量测量的研究得到人们关注。目前,测量物体运动参量的主要方法有机械法、电测法和光测法叁类。机械法使用简便,抗干扰性强;电测法测量精度高,范围广;但二者多数设备的测量方式为接触式测量,容易对被测物造成损坏。光测法为非接触测量,精度高,但其多数设备外置光路较为复杂。因此我们可以看到任何一种测量方法都有一定的使用范围,为了适应各种不同的测量环境,人们对具有潜在测量特性的功能材料做了大量研究,其中光折变材料备受关注。光折变材料具有低功率响应,非线性等优点,被应用于信息处理,全息存储器光开关等,近年来在自适应光外差探测技术上的应用也得到了较大的发展。本文基于光折变材料提出一种对物体运动参量测量的方法,这种测量方法为非接触式测量,外置光路简单,宜于实现测量仪器的小型化和工业化。本文研究内容主要分为定向移动速度测量和振动要素测量两部分:定向移动速度测量:理论部分,我们通过对移动晶体中等效内电场和空间电荷场的分析研究建立了速度—光折变模型;实验部分,我们将激光入射到定向移动的LiNbO3晶体中并使之达到饱和状态,分别采集不同条件下晶体出射光斑的图样并测得光斑半径,最后根据速度—光折变模型算出定向移动速度。振动要素测量:理论部分,我们通过对振动晶体中等效内电场和光束演化方程的研究建立了振动—光折变模型,随后利用微扰法求解模型得到了光束横向偏移量的解析解,并用数值解证明了其正确性。实验部分,我们将激光入射到振动的SBN晶体中并使之达到饱和状态,首先,我们连续采集了光束的出射光斑图像,选取这些图片中同一位置的某个点,并测出这点在每幅图中的灰度值,做出此点灰度值随时间变化的曲线图像,结合实验现象,求出振动频率;其次,我们采集了光束偏转的轨迹图像并测得偏转的相关参量,根据光束横向偏移量的解析解,求出振幅。本文基于光折变材料提出的测量方法,既拓宽了光折变材料的应用领域,又丰富了对物体运动参量测量的方法。(本文来源于《山东大学》期刊2019-05-12）
曹思行[2]（2019）在《隐私保护下的视频运动物体检测》一文中研究指出视频数据处理在大数据时代得到了广泛的应用,其中涉及的用户隐私泄露问题也随之日益严重,视频数据的信息利用与隐私保护之间的矛盾突显而出。为了保护用户隐私需要对视频数据进行加密,而加密往往会导致视频压缩效率的降低。因此,在保护隐私的同时,如何做到在高压缩效率下利用和处理视频数据信息具有重要的理论和现实意义,隐私保护下的视频信息利用成为了一项值得研究的课题。一个需要在隐私保护下做视频信息利用的典型场景是隐私保护下的视频运动物体检测,其目标是在保证视频内容不泄露的同时,能较为准确地检测视频中的运动物体。现有方法在对隐私保护下的视频进行运动物体检测时,会遇到硬件条件不易满足、算法复杂度较高和视频压缩效率不高等问题,亟需解决。对隐私保护下的视频运动物体检测算法进行研究,正是试图针对以上问题找到更优的解决方法。隐私保护下的视频运动物体检测算法分为加密压缩和检测两部分。在加密压缩部分:算法采用压缩效率较高的HEVC视频压缩标准对视频数据进行压缩,同时对数据进行格式兼容加密。采用格式兼容加密的原因是能够在保证视频数据的安全的同时,使算法对视频进行解码用于后续的检测。在检测部分:算法首先在压缩域检测运动区域,随后做运动物体跟踪,最后根据轨迹来修正物体形状。实验结果表明,此算法能够实现隐私保护下的视频运动物体检测,并且所需硬件条件较容易满足,算法复杂度不高,检测较为准确。(本文来源于《华中科技大学》期刊2019-03-01）
陈雨秋[3]（2019）在《基于超像素和深度学习的运动物体检测算法研究》一文中研究指出运动物体是计算机视觉领域的重要研究对象之一,利用运动物体检测算法可以有效地从视频中提取到感兴趣的运动物体。但是,现实情况中存在诸如相机抖动、动态背景和鬼影影响等挑战,会显着降低运动物体检测精度。针对以上问题,我们开展了以下两个方面的工作。(1)提出了一种基于超像素的运动物体检测方法。首先,使用简单的线性迭代聚类方法构造第一帧的超像素并提取每个超像素的标准差特征,以加强抗噪能力。然后,利用k-means聚类算法将初始超像素划分为K个较小的子超像素,然后通过将每个子超像素表示为多维特征向量来初始化背景模型。对于后续帧,通过加权度量检测运动物体对象,为了不遗失细小物体,加权度量公式考虑了超像素前景点个数的变化,同时每个超像素的检测过程要经过两次筛选,以减少运算次数、提高检测速度。最后,为了应对鬼影影响,基于每个子超像素成员个数,设计了独特的背景模型更新策略。实验结果表明,与已知方法相比,该算法在保持较少运行时间的同时达到了背景减法的竞争精度,对噪声具有鲁棒性,不易丢失小物体,同时能够快速解决重影效应。(2)提出了一种基于U-Net深度学习网络的运动目标检测方法。首先,构建U-Net卷积神经网络,以减轻深度学习对训练数据集数量的依赖,使得算法可以在小数据集上训练出优良模型。然后,计算数据集中正负样本个数的比值,将比值的倒数作为样本权重,以应对正负样本不平衡。最后,设定一个阈值对预测结果进行阈值化,以获得运动物体检测结果。实验结果表明,该算法仅需较少帧的图像作为训练集即可获得极高的检测精度,且检测结果不会明显偏向运动物体或者背景。(本文来源于《安徽大学》期刊2019-03-01）
姚洪猛[4]（2018）在《运动物体检测与跟踪的设计与实现》一文中研究指出运动目标检测与跟踪作为计算机视觉中的一个分支,近年来受到大家广泛的关注。随着外界环境越来越复杂,导致对运动目标的检测与跟踪变的更加困难。本文从静态场景和动态场景两方面,分别对传统的目标检测与跟踪方法进行了优化。在静态场景中,传统的CamShift检测算法对目标颜色具有强的依赖性。为了使传统的CamShfit检测算法能够更好的适应环境变化,本文提出了一种自适应融合多特征的目标检测方法,来弥补传统的CamShfit检测算法的不足。在该方法中,首先利用混合高斯背景建模与帧差法相结合将目标前景提取出来,同时利用LBP算子对目标的纹理特征信息进行提取、Canny算子对目标的边缘特征信息进行提取、HSV直方图对目标的颜色特征信息进行提取。然后利用直方图的反射投影对提取的特征信息进行概率分布描述,并采用自适应融合算法对概率分布图进行权值比例分配,从而计算出融合后的概率分布图。最后把最终概率分布图与目标前景进行逻辑运算将目标检测出来。针对传统的CamShift算法跟踪窗口偏小问题(目标超出跟踪窗口),本文将线性预测算法与传统的CamShift跟踪算法相结合,通过对跟踪窗口的线性预测来实时调整跟踪窗口,实现对传统的CamShift跟踪窗口的实时更新。通过验证,以上方法可以解决传统的CamShift检测算法对目标颜色依赖性强的问题,并且不会出现目标超出跟踪窗口的现象,从而实现对运动目标进行检测与跟踪。在动态场景中,动态的背景会对运动目标的检测产生很大干扰。为了降低背景对目标检测时造成的干扰,本文提出了一种基于自适应感性区域的SURF特征提取及FLANN最优匹配的目标检测方法。在该方法中,首先对目标的运动情况进行分析,确定目标的运动方向以及它的运动范围,从而设置目标的感性区域。然后利用SURF特征提取及FLANN最优匹配算法,完成对目标特征点的提取与匹配从而确定目标。最后将已知目标从视频帧图像中提取出来。针对运动目标被遮挡时跟踪窗口出现偏移的问题,本文将卡尔曼算法与传统的CamShift跟踪算法相结合来实现对目标跟踪。通过验证,以上方法能够降低背景对目标检测造成的干扰,并且能有效解决目标被遮挡时出现跟踪窗口偏移的现象。本文基于VS2012软件平台,利用开源的OpenCV2.4.13库完成对运动目标检测与跟踪的设计与实现。同时,为了方便代码的使用,对一些方法进行封装处理,并且利用可视化框架(MFC)的形式进行演示。(本文来源于《河北科技大学》期刊2018-12-01）
李伟,吴琼[5]（2018）在《基于Dragonboard 410C的智能物体运动检测系统设计》一文中研究指出本文设计了一种小型化、低成本的智能运动物体动态检测系统。利用Dragonbaord 410C开发板作为处理平台,USB摄像头获取实时视频,利用开发板对视频中的运动目标进行动态检测,当检测到有运动物体时,会将动态画面保存下来,并通过邮件方式将图像发送至邮箱以报警,可以通过终端实时查询。实验结果证明,该平台可靠有效。(本文来源于《福建电脑》期刊2018年10期）
郝铎[6]（2018）在《雨天车载光电系统运动物体检测关键技术研究》一文中研究指出随着科技进步,光电检测设备作为现代战争中有效的信息收集手段得到越来越多的关注。光电检测设备以摄(照)像机作为成像单元,通过将视场内的光辐射信号转换为相应的电信号(图像、视频),然后对所得到的电信号进行收集、分析和处理,完成目标识别、跟踪等复杂操作。路基车载光电检测设备作为叁位一体预警系统中最为常见的侦察方式之一,在未来高技术、高信息化的联合战争中是不可或缺的组成部分。因此,对车载光电检测相关技术进行研究具有重要军事战略意义。运动物体检测是光电系统发现战场有效目标的主要技术手段。装甲车光电系统工作环境恶劣、作战环境变化快,增加了运动物体检测的难度。本文针对车载光电系统在强降雨天气环境下运动物体检测的相关技术难点进行探讨,旨在:针对复杂帧间运动造成车载光电系统稳像精度较差的问题,探索一种自适应电子稳像(DIS)方法;针对实时变化的视场内容,研究一种鲁棒性较强的动态背景运动物体检测方法;针对雨天环境下的雨滴干扰问题,探索一种有效的雨滴去除技术,以提高雨天环境下运动物体检测的精度。基于以上目的,本文的研究工作主要包括以下几个部分:首先,针对传统DIS方法在视频存在非线性帧间运动时稳像精度差的问题,提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN)和相对熵评价准则的运动滤波方法。概述了车载光电系统的视频序列特点和帧间运动参数模型,分析了不同运动估计方法和运动滤波方法优缺点。结合CEEMDAN和相对熵理论,根据全局运动矢量中的有意运动与随机抖动之间的频率差异,将全局运动矢量序列分解为多维的本征模态函数(IMF),实现两种运动成分的自适应分离;利用相对熵评价准则对IMF进行分类,确定有意运动和随机抖动各自主导的IMF,重构出相应的运动矢量;通过运动补偿实现光电系统的自适应稳像。仿真实验结果表明,与传统滤波方法相比,新滤波方法重构结果的均方根误差均值和方差分别最小可降低10.0%和17.1%;经新方法稳定后的两组视频序列帧间平均峰值信噪比(PSNR)分别最少可提高13.1%和16.7%。其次,针对传统运动物体检测方法对亮度变化鲁棒性不强的问题,提出一种基于改进背景码书模型的运动物体检测方法。通过分析传统背景码书模型理论,论证其在低亮度(亮度接近0)和高亮度(亮度接近255)区域的误检测原因。通过改进高亮度区域的色彩偏差计算方法,避免了传统码书算法在构建该区域的背景码书时出现的码字匮乏现象,并通过统计视频帧内相同位置像素的亮度最大值和最小值之差,确定合适的亮度阈值区间范围。在改进的背景码书模型的基础上,建立了动态背景下运动物体检测方法。新方法能够自适应地根据视频内容对参数进行调整,可避免传统方法在低亮度/高亮度区域造成的亮度阈值区间过窄/过宽的问题。在仿真实验中,与传统运动目标检测方法对比,新方法所获得检测结果的Tanimoto/Jacard误差(T/JE)最小可降低30.7%,归一化绝对误差(NAE)最小可降低33.8%。将新方法应用于包含抖动的视频,并开展运动物体检测实验,其检测结果能够准确地反应视场中出现的运动物体。最后,针对强降雨天气环境下雨滴造成的运动物体检测精度下降的问题,提出基于二维变分模态分解(VMD)和选择性均值补偿策略的雨滴去除技术。阐述了雨滴在单幅图像中成像的频域模型,并根据雨滴成像的频谱特点,引入了变分图像分解模型。新方法结合雨滴成像的频域模型和二维VMD算法的相关理论,对雨景图像进行自适应分解,提取含雨频带子图像;并且根据雨滴成像亮度特性和空域特性,采用阈值检测方法确定雨滴位置,并对雨滴周围像素进行选择平均来补偿雨滴像素、消除雨滴影响。该方法仅在含雨窄频带的子图像上进行补偿,可有效减轻去雨操作所造成的图像有用信息丢失问题。实验结果表明,与传统去雨方法相比,新方法所得结果有更高的PSNR以及结构相似度,证明该方法不仅具有良好的雨滴去除效果,而且重构图像更加清晰。实际雨景视频的运动物体检测的实验表明,与直接进行运动物体检测相比,去雨后运动物体检测结果的T/JE平均可降低41.16%,NAE平均可降低68.90%。(本文来源于《哈尔滨工业大学》期刊2018-09-01）
曾璟[7]（2018）在《基于深度学习框架的运动目标物体检测方法研究》一文中研究指出深度学习在过去几年被广泛认为是机器学习中最流行的技术之一。利用深度学习理论进行运动目标物体检测是机器学习在计算机视觉方面的一个重要应用。现如今,对于目标物体检测这一问题的研究方法众多,但是针对一些可能遇见的复杂情况,例如突然的光照改变、物体的刚性/非刚性形变、目标物体的遮挡等问题,传统浅层学习方法不能准确检测跟踪运动目标物体。因此,本文基于前沿深度学习技术和在线模型更新策略,提出了一种新颖的单目标运动物体检测方法。该方法利用深度学习模型提取视觉潜在表征特征,通过离线相似度函数排序学习和在线模型增量更新,达到了检测单目标运动物体的目的。为了验证本文方法相较传统单目标运动物体检测方法的优劣,本论文在项目组组建的一个包含10段视频、1264个视频帧的数据集中,对包含本论文提出方法在内的8种方法进行了大量对比实验,并从统计学角度对实验结果进行定性和定量的分析。结果表明,本文所提出方法相比传统方法,在该单目标运动物体检测问题上具备显着的优越性和鲁棒性,在视频序列中出现例如突然的光照改变、物体的刚性/非刚性形变、目标物体的遮挡等复杂情况下,检测效果也比较突出。(本文来源于《南昌大学》期刊2018-06-02）
宋冉冉[8]（2018）在《视频序列中运动物体检测与阴影抑制算法研究》一文中研究指出智能视频监控系统可以从复杂的视频帧中分辨感兴趣的目标物体,自动分析图像中丰富的有用信息,提高了传统视频监控系统的智能化水平。其中,运动物体的检测作为视频分析的基础,它为后续的动作识别、跟踪以及行为理解等研究起到决定性作用。而物体所产生的阴影在运动属性上与物体一致,容易被误检为前景从而影响检测的准确度,因此抑制运动物体的阴影显得至关重要。本文以视频中运动物体为研究对象,分析运动物体检测和阴影抑制的算法,并加以改进,以求提取的运动物体效果更佳。论文主要在如下几个方面取得了研究成果。1.研究了经典运动物体检测算法的原理:帧差分法、光流法以及背景减除法,将叁种算法通过实验分析和优缺点的讨论,从算法复杂度、获取图像信息、适用的条件和存在的问题等方面进行了总结对比。2.研究了混合高斯背景建模算法的原理,分析其缺点并做出了改进。针对该算法复杂度高的问题,利用帧差分法与混合高斯模型相结合,先通过叁帧差分法检测出前景,并求出此前景与图像的占比,然后通过阈值判断图像内动态情况,若画面有运动物体,则利用混合高斯模型处理,否则更新背景;针对背景更新速率取值的缺陷,通过变化的更新速率,可以自适应分段调节背景更新速率。实验结果显示,改进算法的准确率相比传统算法提升4%以上,程序运行时间明显的提高,克服了混合高斯模型固定背景更新率造成的问题。3.为了更好的抑制运动物体的阴影,对基于HSV空间的阴影抑制算法加以改进。先通过混合高斯模型提取前景,然后与HSV空间检测的阴影相结合得到运动物体区域,针对由于亮度比的阈值不稳定而导致前景误检为阴影的缺点,采用纹理特征结合大津阈值提取部分运动物体区域,最后将提取的部分运动物体区域与通过HSV空间得到运动物体区域相结合,达到抑制视频中运动物体阴影的目的。实验结果显示,该算法在不同场景中取得较好的实验效果,综合性能相比于经典的阴影抑制算法提升8%以上。本文对运动物体检测和阴影抑制的研究成果实现了准确提取视频中的运动物体,对后续的视频分析处理有重大的意义。(本文来源于《湖北工业大学》期刊2018-05-29）
刘进平[9]（2018）在《运动物体的碰撞检测算法研究》一文中研究指出碰撞检测技术在虚拟现实技术、机器人技术、计算机动画与游戏领域都有广泛的应用,主要用来检测对象之间是否发生碰撞。这项技术对于虚拟场景的真实感体验至关重要。当前碰撞检测的算法已经存在很多研究,但是现有的算法都是对每个物体采用统一的包围盒结构或者解决的问题都是离散碰撞问题,而现实中物体大多都形状各异,同一种包围盒结构很难适应所有的物体,并且现在碰撞检测算法需要解决连续碰撞的问题,这样就造成了算法效率较低并且无法满足复杂度环境的连续碰撞检测的实时性要求。针对包围盒结构单一的问题,本文考虑每个物体形状上的差异,提出一种基于形状分类的平衡二叉包围盒树的碰撞检测算法,该算法考虑到包围盒的紧密性和相交测试的复杂性,将形状近似球体的一类,采用球包围盒,而形状与球体相差大的一类,采用OBB包围盒,这样就可以对每个物体都构建出一个具有复合包围盒的平衡二叉树结构,实验证明这种结构不仅保证了物体包围盒的紧密性,还兼顾到了相交检测的复杂性,明显加快了碰撞检测的效率。针对连续碰撞的实时性问题,本文提出了一种基于GJK算法的快速降维连续碰撞检测算法。该算法首先对连续碰撞检测问题降维到静态碰撞检测问题,然后利用GJK算法进行碰撞检测,如果检测到碰撞,利用有向线段与凸体求交方法进一步求得发生碰撞的具体位置,实验证明该算法实时性较好。(本文来源于《武汉科技大学》期刊2018-05-01）
方博文[10]（2018）在《基于双目视觉的智能驾驶汽车对于前方运动物体的检测与定位研究》一文中研究指出双目立体视觉技术一直都是无人驾驶汽车研究得重点,本文就针对无人驾驶汽车的环境感知部分,利用两个CMOSE相机组成的双目立体视觉系统,对汽车行驶时车辆前方的环境进行信息采集,并利用各种技术手段还原出叁维信息。本文主要研究了如何利用双目立体视觉技术对障碍物进行测距,以及如何对运动目标进行检测与跟踪。在障碍物测距问题上,首先对左右两摄像机进行标定,在传统标定算法和张正友标定算法的基础上提出了改进的标定算法,改进后的标定算法把传统的世界坐标系改成了汽车坐标系,解决了当汽车行驶时,频繁对摄像机标定的过程;然后对双目摄像机采集的视频信息进行进行解帧处理,同时进行图像预处理,以此来消除图像中因外界环境或者摄像机本身产生的噪声影响;再对同一时刻的左右两图像进行双目校正,使两图像共面并且行对齐,为后面的特征匹配做准备;然后再对其进行特征点的检测并对其进行匹配,还研究了 Harris角点检测和SIFT角点检测算法原理,利用基于特征点的匹配方法对两幅图像进行匹配得出视差图;最后根据双目模型进行叁维重建并得出距离。在目标检测与跟踪问题上,首先分析了目前主流的目标检测算法,结合其优缺点提出改进的检测算法,经过改进后的检测算法能够使目标轮廓更清楚的提取出来;然后对目标跟踪的常用算法进行了研究,对比分析了 Mean-shift算法和Kalman滤波算法的跟踪原理,在原有算法的基础上进行了改善,改善后的跟踪算法能够准确的对目标物体进行跟踪,解决了目标遮挡问题,并且跟踪框能适应运动目标的大小。利用Matlab软件,对本文提出的算法进行仿真,实验表明:分别对障碍物设定一定的距离,利用本文测距算法测量的结果误差比较小,尤其是障碍物距离5米左右时,误差最小,并且对运动目标也能够准确地检测以及对其跟踪,这样就能使汽车在复杂的城市交通环境中及时作出相应地反应,有效避免交通事故的发生。(本文来源于《太原理工大学》期刊2018-05-01）
运动物体检测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
视频数据处理在大数据时代得到了广泛的应用,其中涉及的用户隐私泄露问题也随之日益严重,视频数据的信息利用与隐私保护之间的矛盾突显而出。为了保护用户隐私需要对视频数据进行加密,而加密往往会导致视频压缩效率的降低。因此,在保护隐私的同时,如何做到在高压缩效率下利用和处理视频数据信息具有重要的理论和现实意义,隐私保护下的视频信息利用成为了一项值得研究的课题。一个需要在隐私保护下做视频信息利用的典型场景是隐私保护下的视频运动物体检测,其目标是在保证视频内容不泄露的同时,能较为准确地检测视频中的运动物体。现有方法在对隐私保护下的视频进行运动物体检测时,会遇到硬件条件不易满足、算法复杂度较高和视频压缩效率不高等问题,亟需解决。对隐私保护下的视频运动物体检测算法进行研究,正是试图针对以上问题找到更优的解决方法。隐私保护下的视频运动物体检测算法分为加密压缩和检测两部分。在加密压缩部分:算法采用压缩效率较高的HEVC视频压缩标准对视频数据进行压缩,同时对数据进行格式兼容加密。采用格式兼容加密的原因是能够在保证视频数据的安全的同时,使算法对视频进行解码用于后续的检测。在检测部分:算法首先在压缩域检测运动区域,随后做运动物体跟踪,最后根据轨迹来修正物体形状。实验结果表明,此算法能够实现隐私保护下的视频运动物体检测,并且所需硬件条件较容易满足,算法复杂度不高,检测较为准确。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
运动物体检测论文参考文献
[1].刘希琛.基于光折变材料对物体运动状态检测的研究[D].山东大学.2019
[2].曹思行.隐私保护下的视频运动物体检测[D].华中科技大学.2019
[3].陈雨秋.基于超像素和深度学习的运动物体检测算法研究[D].安徽大学.2019
[4].姚洪猛.运动物体检测与跟踪的设计与实现[D].河北科技大学.2018
[5].李伟,吴琼.基于Dragonboard410C的智能物体运动检测系统设计[J].福建电脑.2018
[6].郝铎.雨天车载光电系统运动物体检测关键技术研究[D].哈尔滨工业大学.2018
[7].曾璟.基于深度学习框架的运动目标物体检测方法研究[D].南昌大学.2018
[8].宋冉冉.视频序列中运动物体检测与阴影抑制算法研究[D].湖北工业大学.2018
[9].刘进平.运动物体的碰撞检测算法研究[D].武汉科技大学.2018
[10].方博文.基于双目视觉的智能驾驶汽车对于前方运动物体的检测与定位研究[D].太原理工大学.2018
论文知识图
